Cas d’applications pratiques

  Comment bien analyser les images hyperspectrales

L’imagerie hyperspectrale trouve des applications dans de nombreux domaines (agriculture, environnement, médecine, industrie…). Cette imagerie permet de caractériser la composition chimique de produits en chaque point d’une image, grâce au spectre proche infrarouge mesuré pour chaque pixel. Il est ainsi possible de classer des objets en fonction de leur composition ou de quantifier les composés présents en surface et d’en montrer la répartition spatiale.

Cette étude scientifique présente la méthodologie d’analyse d’images hyperspectrales en laboratoire, décrivant les bonnes pratiques d’acquisition d’images, de traitement du signal, de traitement d’image et enfin des méthodes de chimiométrie / Machine Learning applicables aux images hyperspectrales.

Cette méthodologie est illustrée par un cas d’application sur l’analyse d’images hyperspectrales pour la prédiction de la maturité des grappes de raisin à la vigne. Grâce à un modèle Support Vector Machines Regression (SVMR), il est possible de prédire directement au vignoble le taux de sucre représentatif de chaque grappe à partir d’images hyperspectrales acquises au vignoble.

Les images ont été acquises acquises avec la caméra hyperspectrale portable SPECIM IQ (SPECIM – Konica Minolta) visible – proche infrarouge et les méthodes de Machine Learning ont été développées sous le logiciel PLS_Toolbox et MIA_Toolbox (Eigenvector Research Inc.).

Etude menée avec l’INRAE (UMR ITAP, Équipe COMIC) et l’IFV (IFV Sud-Ouest) dans le cadre du projet VINIoT cofinancé par le programme Interreg Sudoe

  Les SVR – Support Vector Regression – appliqués aux spectres NIR

En spectroscopie NIR, la méthode d’étalonnage la plus courante est la régression PLS. Méthode de calibration multivariée linéaire, elle est efficace sur les données spectrales et facile à mettre en œuvre. Cependant, la PLS atteint ses limites lorsque les données à prédire sont complexes (nombreux produits ou recettes, corrélations non linéaires…).

Dans cette étude, menée par Bruker Optics et Ondalys, 2 jeux de spectres ont été acquis avec les instruments Bruker FT-NIR MPA ou TANGO. Pour chaque jeu de données, l’hétérogénéité des produits et la non-linéarité entre les paramètres d’intérêt et les spectres justifiaient l’utilisation de méthodes avancées de ML.

Les Support Vector Machines (SVM) pour l’analyse quantitative, appelés Support Vector Regression (SVR) ont été appliqués sur les scores PLS.

Cette approche simple et rapide a conduit à de très bons résultats, donnant des erreurs plus faibles que les modèles PLS construits avec prétraitement optimal et sélection de variables. De plus, ces modèles SVR ont été développés sans sélection de variables afin de réduire le temps d’optimisation. Dans ce cas, les performances des modèles PLS se sont fortement dégradées alors que celles des modèles SVR sont restées satisfaisantes.

Etude rédigée en anglais

Étude réalisée sur les spectromètres
Bruker FT-NIR MPA et TANGO de Bruker Optics

Bruker optics

  Comparaison de méthodes de Machine Learning pour l’analyse de données spectroscopiques

Le Machine Learning (ML) est de plus en plus populaire dans tous les domaines d’analyse de données. De nombreuses méthodes existent, qui peuvent s’adapter à de nombreux domaines d’étude. Mais qu’en est-il de l’analyse de données spectroscopiques par Machine Learning ?

Afin de répondre à cette question, différentes méthodes de Machine Learning ont été comparées sur un jeu de données spectroscopiques (spectroscopie proche infrarouge). Des méthodes « classiques », PLS Partial Least Squares Regression –  et LWRLocally Weighted Regression – sont comparées à trois types d’algorithmes de ML : les SVMSupport Vector Machines -, les réseaux de neurones (ANNArtificial Neural Networks) et les arbres de régression (CART/RFClassification and Regression Trees / Random Forest).

Étude réalisée sur un spectromètre TECATOR InfratecTM de FOSS

  Transfert d’étalonnage inter-spectromètres

Le B.I.P. (Bureau national Interprofessionnel du Pruneau) souhaitait développer un outil d’aide à la décision non destructif, applicable directement au verger afin de mieux estimer la maturité des fruits pour prévoir la date de récolte optimale des prunes.

A partir d’une large base de données de plus de 6000 échantillons scannés sur un spectromètre de laboratoire ASD LabSpec 4 (Malvern Panalytical) , Ondalys a développé des modèles de prédiction quantitatifs du taux de sucre (°Brix) et de l’acidité des prunes pour réaliser un transfert de calibration sur un micro-spectromètre MicroNIRTM (Viavi Solutions) .

Suite à des résultats encourageants, l’étude se poursuit afin d’optimiser les modèles obtenus sur le spectromètre portable MicroNIRTM pour pouvoir mesurer les fruits directement au verger.

Etude financée par France AgriMer

Étude réalisée sur un spectromètre ASD LabSpec 4® de Malvern Panalytical distribué par Bonsaï Advanced Technologies  et un microspectromètre MicroNIRTM de VIAVI distribué par Physitek Fondis

Estimation de mâturité des fruits par SPIR
logo-BIP
logo-franceAgrimer
logo viavi solutions

distribué par

MalvernPanalytical_logo

distribué par

  Application de la MSPC (Multivariate Statistical Process Control) pour la supervision d’un procédé industriel

Le contrôle en ligne des procédés est devenu incontournable dans de nombreuses industries. Ce suivi permet une amélioration de la qualité des produits et une réduction des coûts, grâce à une meilleure supervision de la production et à une intervention rapide en cas de dérives ou d’anomalies.

Dans le cas d’une production en continu, la MSPC est un outil essentiel permettant :

  • le suivi de plusieurs critères simultanément, qui peuvent être simples – informations de température, de pression, … – ou complexes – données spectroscopiques, chromatogrammes, …
  • la prise en compte des interactions et de la structure de corrélation existant entre ces différents paramètres.

L’une des étapes primordiales du développement d’un modèle MSPC est la définition du jeu de calibration : il s’agit de l’identification des observations considérées comme « normales », lorsque le système est stable. Ces observations appelées NOC – Normal Operating Conditions, sont utilisées pour la construction d’un modèle ACP (Analyse en Composantes Principales). Après optimisation du choix des composantes, les observations d’un jeu de test sont projetées dans le modèle MSPC ainsi construit. Grâce à la détermination des observations NOC et aux critères statistiques, tels que le levier (T² de Hotelling) et les résidus F, le modèle MSPC permet d’identifier les dérives du procédé ou l’apparition des évènements anormaux.

La mise en œuvre de la MSPC pour le suivi d’un procédé de fabrication de polymères silicones au sein de la société Elkem a permis de détecter efficacement les différentes phases de production d’un lot – début, fin, et éventuelles interruptions – moments pendant lesquels le procédé n’est pas stable. Les lots ne respectant les spécifications du produit en termes de critère qualité sont également détectés, permettant ainsi une correction rapide du procédé.

Étude réalisée sur un spectromètre Rxn4 de
Kaiser Optical System Inc

 

  Comparaison des SVM (Support Vector Machines) et de la PLS sur jeux de données spectrales

Les Support Vector Machines (SVM) font partie des méthodes supervisées de Machine Learning. Cet algorithme a été développé à l’origine pour des problématiques de classification (pattern recognition), notamment pour discriminer des classes convexes ou peu séparables. Mais il est également très efficace lorsqu’il est utilisé à des fins de prédiction quantitative.

Cette technique de modélisation est particulièrement intéressante pour modéliser des relations non-linéaires entre les données ou pour des situations compliquées (paramètre complexe ou concentrations proche du seuil de détection par exemple).

Afin de mettre en œuvre la méthode, plusieurs paramètres doivent être optimisés : un paramètre de régularisation, la taille de la marge et le degré de non-linéarité du modèle.

La modélisation de plusieurs paramètres quantitatifs sur un jeu de données spectroscopiques à l’aide de SVM a permis d’obtenir des résultats significativement supérieurs à ceux d’une PLS (erreur divisée par 2).

Cette méthode de Machine Learning a apporté une amélioration importante de performances en raison des non-linéarités présentes dans le jeu de données (prédiction de l’humidité, taux de protéines et matières grasses dans la viande par spectroscopie proche infrarouge).

Ce projet a aussi montré que, même avec un lot d’apprentissage assez réduit, les SVM pouvaient fournir des prédictions précises et robustes sur un lot de test indépendant.

PLS vs SVM

Étude réalisée sur un spectromètre TECATOR InfratecTM de FOSS

Mise à jour de modèles avec la méthode d’orthogonalisation DOP

Dans le cadre du suivi en ligne de ses procédés de polymérisation, le CERDATO, centre de recherche d’ARKEMA, a rencontré des problématiques dans la mise à jour de ses calibrations spectroscopiques. Après plusieurs tentatives classiques, par ajout de nouveaux échantillons, leur problématique persistait.

Ils ont fait appel à Ondalys pour les former et les accompagner à l’utilisation de différentes méthodes d’orthogonalisation, notamment à la méthode Dynamic Orthogonal Projection (DOP).

Le modèle corrigé par DOP a obtenu de meilleurs résultats que ceux développés avec des méthodes classiques, tout en permettant de diagnostiquer les problèmes survenus sur la ligne de production.

suivi en ligne de procédés de polymérisation

Étude réalisée sur un spectromètre MATRIX-F de
Bruker Optics

Bruker optics

Caractérisation de mélanges de poudres par imagerie hyperspectrale proche infrarouge

L’industrie pharmaceutique fait face au quotidien à des problématiques d’inspection visuelle de qualité de lyophilisats, de détection de fraudes, ou encore d’évaluation de l’homogénéité de certains mélanges. Afin de répondre à ce besoin, l’imagerie hyperspectrale, technique d’analyse combinant une caméra et un spectromètre, est très intéressante car elle combine simultanément une information spatiale et spectrale sur un échantillon donné.

Ainsi, l’analyse par imagerie hyperspectrale proche infrarouge (NIR) présente un grand intérêt dans l’évaluation de l’homogénéité des mélanges de poudres. Ce type d’étude permet une meilleure compréhension du procédé et peut aller, dans le cas d’assemblage de poudres, jusqu’à l’optimisation de la définition des durées optimales de mélange, avec un arrêt déterminé à l’atteinte de l’homogénéité du mélange.

Étude réalisée sur un imageur hyperspectral HypeReal
d’INDATECH-Chauvin Arnoux

 

 Modélisation du potentiel aromatique des raisins

L’institut français de la vigne et du vin (IFV), toujours en recherche d’amélioration des procédés de vinification, de la récolte à la mise en bouteille, met régulièrement en place différents projets en partenariat notamment avec Vinovalie, un regroupement de caves du Sud-Ouest.

L’une de leurs problématiques majeures consiste en l’identification du potentiel aromatique des raisins à partir de spectroscopie infrarouge (IRTF), afin d’orienter les moûts vers le procédé de vinification le plus adapté.

Des outils d’aide à la décision permettant d’orienter vers un itinéraire de vinification optimisé des raisins et gagner ainsi en productivité et en qualité du vin fini ont été développés au cours de ce projet et ont permis pour les vins rosés de Négrette (AOP Fronton Rosé) d’obtenir les résultats suivants :

  • + 10% de productivité
  • + 18% de vins à forte qualité aromatique
  • + 15% d’augmentation du prix du fait de la qualité aromatique accrue
INES Fronton Rosé
IFV
Vinovalie

Étude réalisée sur un spectromètre WineScanTM de
FOSS

 

Identification de Matières Premières par Spectroscopie Proche Infrarouge (SPIR)

Afin de gagner en temps et en efficacité pour la caractérisation de ses produits, un de nos clients souhaitait mettre en place une méthode d’identification de ses Matières Premières (poudres et liquides) à l’aide d’un spectromètre proche infrarouge.

Cet acteur important de l’industrie pharmaceutique a fait appel à Ondalys pour développer des modèles robustes d’identification, utilisables de manière systématique sur les lots entrants de Matières Premières.

Plus de 100 Matières Premières  différentes (poudres et liquides) sont désormais caractérisées à leur arrivée grâce à la spectroscopie proche infrarouge et aux modèles d’identification développés par Ondalys.

Identification de Matières Premières par Spectroscopie

Étude réalisée sur un spectromètre MPA II de
Bruker Optics

Bruker optics

Ils en parlent


« Nous avons fait appel à Ondalys pour nous aider à traiter nos données »

Eric Serrano, Directeur Régional IFV Occitanie, Pôle Sud Ouest

Ils nous font confiance


  • Bruker optics

Nos prochaines formations


Ondalys, organisme de formation agréé, délivre des formations inter et intra-entreprises professionnelles aux industriels et institutionnels.

Notre expertise au service de l’analyse de vos données

Fort d’une expérience de plus de 15 ans dans l’analyse de données (chimiométrie), en particulier appliquée aux mesures spectroscopiques, analytiques et sensorielles, nos équipes vous accompagnent à chaque étape de vos projets

Besoin d’une formation sur mesure ?

Nos équipes étudient votre demande plus en détails pour vous proposer une formation personnalisée

Inscrivez-vous
à la newsletter Ondalys

Français